論文の概要: Multi-modal Data Binding for Survival Analysis Modeling with Incomplete Data and Annotations
- arxiv url: http://arxiv.org/abs/2407.17726v1
- Date: Thu, 25 Jul 2024 02:55:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-26 15:27:36.624246
- Title: Multi-modal Data Binding for Survival Analysis Modeling with Incomplete Data and Annotations
- Title（参考訳）: 不完全データとアノテーションを用いた生存分析モデルのためのマルチモーダルデータバインディング
- Authors: Linhao Qu, Dan Huang, Shaoting Zhang, Xiaosong Wang,
- Abstract要約: 我々は、モダリティと検閲されたサバイバルラベルにまたがる不完全なデータを同時に扱う新しいフレームワークを導入する。
我々のアプローチでは、高度な基礎モデルを用いて個々のモダリティを符号化し、それらを普遍的な表現空間に整列させる。
提案手法は,2つのサバイバル分析タスクにおいて,両者が適用したデータセットの予測精度に優れることを示す。
- 参考スコア（独自算出の注目度）: 19.560652381770243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Survival analysis stands as a pivotal process in cancer treatment research, crucial for predicting patient survival rates accurately. Recent advancements in data collection techniques have paved the way for enhancing survival predictions by integrating information from multiple modalities. However, real-world scenarios often present challenges with incomplete data, particularly when dealing with censored survival labels. Prior works have addressed missing modalities but have overlooked incomplete labels, which can introduce bias and limit model efficacy. To bridge this gap, we introduce a novel framework that simultaneously handles incomplete data across modalities and censored survival labels. Our approach employs advanced foundation models to encode individual modalities and align them into a universal representation space for seamless fusion. By generating pseudo labels and incorporating uncertainty, we significantly enhance predictive accuracy. The proposed method demonstrates outstanding prediction accuracy in two survival analysis tasks on both employed datasets. This innovative approach overcomes limitations associated with disparate modalities and improves the feasibility of comprehensive survival analysis using multiple large foundation models.
- Abstract（参考訳）: 生存分析は、がん治療研究において重要なプロセスであり、患者の生存率を正確に予測するために不可欠である。
データ収集技術の最近の進歩は、複数のモダリティからの情報を統合することにより、生存率予測の強化の道を開いた。
しかし、現実世界のシナリオは、特に検閲されたサバイバルラベルを扱う場合、不完全なデータに関する課題をしばしば提示する。
それまでの研究は、モダリティの欠如に対処してきたが、バイアスやモデルの有効性の制限をもたらす不完全なラベルを見落としていた。
このギャップを埋めるために、モダリティと検閲されたサバイバルラベルにまたがる不完全なデータを同時に扱う新しいフレームワークを導入する。
我々のアプローチでは、高度な基礎モデルを用いて、個々のモダリティを符号化し、それらをシームレスな融合のための普遍的な表現空間に整列させる。
擬似ラベルを生成し,不確実性を取り入れることで,予測精度を大幅に向上させる。
提案手法は,2つのサバイバル分析タスクにおいて,両者が適用したデータセットの予測精度に優れることを示す。
この革新的なアプローチは、異なるモダリティに関連する制限を克服し、複数の大きな基礎モデルを用いた包括的生存分析の実現可能性を向上させる。
関連論文リスト
- Visual Data Diagnosis and Debiasing with Concept Graphs [50.84781894621378]
視覚データセットにおける概念共起バイアスの診断と緩和のためのフレームワークであるConBiasを提案する。
このような不均衡を緩和し,下流タスクの性能向上につながることを示す。
論文 参考訳（メタデータ） (2024-09-26T16:59:01Z) - Adaptive Transformer Modelling of Density Function for Nonparametric Survival Analysis [11.35395323124404]
生存分析は、経済学、工学、医療など様々な分野において重要な役割を担っている。
本稿では,従来の分布仮定を使わずに,高品質な単文PDFを作成できる新しい生存回帰手法を提案する。
論文 参考訳（メタデータ） (2024-09-10T04:29:59Z) - Conditioning on Time is All You Need for Synthetic Survival Data Generation [16.401141867387324]
本稿では,イベント時間に条件付き共変数を生成し,インジケータを検閲することにより,合成生存データを生成するための簡単なパラダイムを提案する。
提案手法は,サバイバルデータの生成において,複数の競争ベースラインを上回りながら,トレーニングした下流サバイバルモデルの性能を向上し,実データでテストする。
論文 参考訳（メタデータ） (2024-05-27T16:34:18Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。
本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。
医療データセットに関する広範な実験により,本手法の評価を行った。
論文 参考訳（メタデータ） (2023-02-24T17:03:51Z) - Heterogeneous Datasets for Federated Survival Analysis Simulation [6.489759672413373]
本研究では、既存の非フェデレーションデータセットから再現可能な方法で開始することで、現実的な異種データセットを構築する新しい手法を提案する。
具体的には、ディリクレ分布に基づく2つの新しいデータセット分割アルゴリズムを提供し、各データサンプルを慎重に選択したクライアントに割り当てる。
提案手法の実装は,フェデレートされた環境をシミュレートしてサバイバル分析を行うことを推奨し,広く普及している。
論文 参考訳（メタデータ） (2023-01-28T11:37:07Z) - Predicting Survival Outcomes in the Presence of Unlabeled Data [0.0]
このようなラベルのないデータインスタンスを組み込むことで、正確な生存時間を予測できるかどうかを検討する。
本研究は, この新たな設定に対処するための3つのアプローチを提案し, 実生活臨床および遺伝子発現生存データセットを比較検討した。
論文 参考訳（メタデータ） (2022-10-25T10:19:45Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。
提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
論文 参考訳（メタデータ） (2021-06-10T14:10:25Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。